说好“多模态不是主线”的梁文锋，怎么转头就发了个Vision模型？

文 | 字母AI 在多模态这个问题上，梁文锋在那次投资人交流会上曾这么说过：“多模态布局，我们一直在做。对产品来讲，它很重要；对C端用户产品来讲，它很重要。但是对智能的上限，它是一个组件，它不是主线本身。我们应该会上相关的模型，就是我们V4的后续版本会支持原生的多模态。” 梁文锋也的确做到了。2026年8月21日，DeepSeek上线了DeepSeek V4 Flash Vision Exp，DeepSeek官方称，这是一个多模态视觉理解模型。 和V4 Flash以及V4 Pro不同，DeepSeek V4 Flash Vision Exp没有技术报告，也没开源，官方只给了一张性能表和几个演示案例。 可DeepSeek V4 Flash Vision Exp怎么看都不像是个“组件”。 以往来看，DeepSeek OCR、DeepSeek OCR 2这样的模型才贴合梁文锋口中“组件”的定位。这些模型的作用，是把图片以像素形式存在的文字，转换成电脑可以识别的纯文本字符。 因此，相较DeepSeek OCR而言，DeepSeek V4 Flash Vision Exp更像是一个“主线”模型。 难道梁文锋对多模态的看法改变了？事实可能并非如此。不过有一点可以肯定，那就是梁文锋学会了放低姿态，用产品和用户形成更密切的交流。 梁文锋此前曾说，“通往AGI要经过产品这个台阶，但不用花太多精力做C端、B端。”而随着DSH的爆火，发布后不到一个星期，DS就发布更新，提升了多模态能力。 过去的梁文锋对于产品有一种“偏执”，不完美不发布。DeepSeek V3.2版本和DeepSeek V4预览版之间，相隔足足4个半月，如果从V3正式发布开始算，仅仅1个大版本，就用了1年零4个月。 现如今不仅更新变快了，还把DeepSeek V4 Flash Vision Exp这种实验性质的模型开放给公众，都是在说明梁文锋态度上发生了一些转变。 多模态是Agent和推理的入口 如果你是练跑步的，那么你应该给别人看的成绩你跑了多少米用了多少秒，这样别人才知道你到底是快还是慢。但如果你告诉别人的是三分球命中率是多少，那很显然，你想告诉别人的是你有多准。 DeepSeek V4 Flash Vision Exp也是如此，它想表达的事情，远非是一个展示DeepSeek现有的多模态能力那么简单。 明明是一个多模态模型，官方公布的测评里，放的却是一串Agent基准。比如Terminal Bench 2.1得83.9，DeepSWE 59.3。 其实在AI视觉模型圈里有一套默认的考卷。 一个新视觉模型发布，通常要放的是这几项：MMMU，跨30个学科、大学水平的图文理解与推理，考“看到图能不能做对题”；MathVista，考图片里的数学推理；DocVQA，考从扫描文档里找到答案；ChartQA，考读懂图表里的数字和趋势；OCRBench，考最基础的文字识别。 无论是Qwen-VL、Gemini 还是GPT-4o，发新版本的时候，展示的都是这套基准。 即便是DeepSeek V4 Flash Vision Exp也放了一些多模态侧的基准，然而这些基准也“不太正经”，充满了浓浓的Agent味。 Chartography考的是专业人士读专业图表做决策，ApexBench是多模态Agent基准，Agents’ Last Exam 是通用Agent评测。没有一项是“看图答题”，全是“看完图，把事做下去”。 这张跑分图，本身就是DeepSeek的一种暗示。 梁文锋自始至终都认为多模态不是AGI的主线，DeepSeek V4 Flash Vision Exp是DeepSeek在Agent跟推理这条主线上的一个必然产物，只不过它刚好也是“多模态”罢了。 DeepSeek V4 Flash Vision Exp所展现出来的价值观是，多模态从来不是让你“看图聊天”，而是让Agent看懂网页截图、读懂图表数据、理解UI布局，然后把任务做下去。 多模态不是目的，是手段，是给主线用的插件。DeepSeek的主线仍然是Agent和推理，DeepSeek V4 Flash Vision Exp所干的事，也不过是强化了产品的推理能力。 虽然DeepSeek V4 Flash Vision Exp这个很神秘，但它也并非是一个凭空出现的模型。 4月29日晚，DeepSeek多模态负责人陈小康（Xiaokang Chen）在X平台发文预告，配文 “Now, we see you”，宣布DeepSeek多模态识图功能开启灰度测试。 第二天，DeepSeek正式在GitHub发布技术报告《Thinking with Visual Primitives》（以视觉原语思考）及配套仓库。论文作者单位包含DeepSeek、北京大学、清华大学，属于三方联合研究成果。 然而这篇论文在5月1日凌晨就被删除，相关官宣推文也消失不见，GitHub官方仓库直接变为404状态，项目彻底无法访问。DeepSeek全程未发布任何撤稿公告，也没有公开解释原因。 好在，社区留下了这篇论文的拷贝版本。 这篇论文没有去讲“我们模型看得多清楚”，而是提出一个问题：模型能看见，但不一定能想清楚。 传统多模态模型用自然语言描述图片里的对象，比如“左边那个男的”“右边那个高的”。可是在复杂场景里，这种描述非常模糊，模型很容易越推越乱，最后导致整个逻辑崩塌。 就拿集体照来说，左边一共好几个男的，那么哪个男的才是模型所描述的那个？ DeepSeek的解法，是把点坐标和边界框提升为“思维的最小单元”，直接嵌进推理链，让模型“边推理边指向”，就像人数东西时会伸出手指，一个一个点着数。 靠这套机制，模型在计数、空间推理、迷宫导航这类任务上，把抽象的判断精确锚定到图像坐标，从“左边那个男的”、“右边那个高的”，变成了“我手指的这个”、“我手指的那个”。 6月，经过DeepSeek官方确认，其在客户端和网页端上线的Vision模式，底层就是这套视觉原语机制。 而DeepSeek V4 Flash Vision Exp，是把同一套技术嫁接到了V4-Flash的API基座上，重点强化多模态Agent能力，核心推理逻辑完全沿用了论文的方案，没有跳出其技术框架。 不仅如此，论文当时的实验，就是基于DeepSeek-V4-Flash作为语言骨干所搭建的多模态方案。这次的DeepSeek V4 Flash Vision Exp光看名字也知道，仍然使用的是DeepSeek-V4-Flash。 除了DeepSeek V4 Flash Vision Exp这个模型，DeepSeek在多模态方面的进展还体现在DSH上，8月19日晚，作为DeepSeek目前的主力产品，DSH更新了rc.8版本，提升了Agent的多模态能力。 rc.8的核心，是DeepSeek在多模态这件事上，“两条腿”走路。 一条叫“原生直通”。rc.8给模型适配器加了可配置的原生图片请求能力，只要底层模型声明支持视觉输入，比如GLM、Qwen，或者刚上线的V4-Flash-Vision-Exp，Harness就把图片原封不动送进模型，不做任何中间加工。 另一条叫“工具层视觉”，服务的是